當(dāng)前位置：首頁(yè) > 人工智能 > pytorch >内容正文

pytorch

深度学习caffe教程

發(fā)布時(shí)間：2023/12/10 pytorch 33 豆豆

生活随笔收集整理的這篇文章主要介紹了深度学习caffe教程小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

閱讀目錄

Caffe的優(yōu)勢(shì)
Caffe的網(wǎng)絡(luò)定義
數(shù)據(jù)及其導(dǎo)數(shù)以blobs的形式在層間流動(dòng)。
Caffe的各層定義
訓(xùn)練網(wǎng)絡(luò)
安裝了CUDA之后，依次按照Caffe官網(wǎng)安裝指南安裝BLAS、OpenCV、Boost即可。
Caffe跑跑MNIST試試
讓Caffe生成的數(shù)據(jù)集能在Theano上直接運(yùn)行
Caffe (CNN, deep learning) 介紹
Caffe深度學(xué)習(xí)之圖像分類(lèi)模型AlexNet解讀

Caffe是一個(gè)清晰而高效的深度學(xué)習(xí)框架，本文詳細(xì)介紹了caffe的優(yōu)勢(shì)、架構(gòu)，網(wǎng)絡(luò)定義、各層定義，Caffe的安裝與配置，解讀了Caffe實(shí)現(xiàn)的圖像分類(lèi)模型AlexNet，并演示了CIFAR-10在caffe上進(jìn)行訓(xùn)練與學(xué)習(xí)。

Caffe是一個(gè)清晰而高效的深度學(xué)習(xí)框架，其作者是博士畢業(yè)于UC Berkeley的?賈揚(yáng)清，目前在Google工作。

Caffe是純粹的C++/CUDA架構(gòu)，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接無(wú)縫切換：

1	Caffe::set_mode(Caffe::GPU);

Caffe的優(yōu)勢(shì)

上手快：模型與相應(yīng)優(yōu)化都是以文本形式而非代碼形式給出。?
Caffe給出了模型的定義、最優(yōu)化設(shè)置以及預(yù)訓(xùn)練的權(quán)重，方便立即上手。

速度快：能夠運(yùn)行最棒的模型與海量的數(shù)據(jù)。?
Caffe與cuDNN結(jié)合使用，測(cè)試AlexNet模型，在K40上處理每張圖片只需要1.17ms.

模塊化：方便擴(kuò)展到新的任務(wù)和設(shè)置上。?
可以使用Caffe提供的各層類(lèi)型來(lái)定義自己的模型。

開(kāi)放性：公開(kāi)的代碼和參考模型用于再現(xiàn)。

社區(qū)好：可以通過(guò)BSD-2參與開(kāi)發(fā)與討論。

回到頂部

Caffe的網(wǎng)絡(luò)定義

Caffe中的網(wǎng)絡(luò)都是有向無(wú)環(huán)圖的集合，可以直接定義：?

 1 2 3 4 5 

   name:?"dummy-net"  layers {<span><span>name: <span>"data"…</span></span></span>}  layers {<span><span>name: <span>"conv"…</span></span></span>}  layers {<span><span>name: <span>"pool"…</span></span></span>}  layers {<span><span>name: <span>"loss"…</span></span></span>}  

回到頂部

數(shù)據(jù)及其導(dǎo)數(shù)以blobs的形式在層間流動(dòng)。

回到頂部

Caffe的各層定義

Caffe層的定義由2部分組成：層屬性與層參數(shù)，例如 ?

 1 2 3 4 5 6 7 8 9 10 11 12 

   name:"conv1"  type:CONVOLUTION  bottom:"data"  top:"conv1"  convolution_param{  ????num_output:<span>20  ????kernel_size:5  ????stride:1  ????weight_filler{  ????????type:?"<span style="color:?#c0504d;">xavier</span>"  ????}  }  

這段配置文件的前4行是層屬性，定義了層名稱(chēng)、層類(lèi)型以及層連接結(jié)構(gòu)（輸入blob和輸出blob）；而后半部分是各種層參數(shù)。?

Blob

Blob是用以存儲(chǔ)數(shù)據(jù)的4維數(shù)組，例如

對(duì)于數(shù)據(jù)：Number*Channel*Height*Width
對(duì)于卷積權(quán)重：Output*Input*Height*Width
對(duì)于卷積偏置：Output*1*1*1

回到頂部

訓(xùn)練網(wǎng)絡(luò)

網(wǎng)絡(luò)參數(shù)的定義也非常方便，可以隨意設(shè)置相應(yīng)參數(shù)。

甚至調(diào)用GPU運(yùn)算只需要寫(xiě)一句話：

1	solver_mode:GPU

Caffe的安裝與配置

Caffe需要預(yù)先安裝一些依賴(lài)項(xiàng)，首先是CUDA驅(qū)動(dòng)。不論是CentOS還是Ubuntu都預(yù)裝了開(kāi)源的nouveau顯卡驅(qū)動(dòng)（SUSE沒(méi)有這種問(wèn)題），如果不禁用，則CUDA驅(qū)動(dòng)不能正確安裝。以Ubuntu為例，介紹一下這里的處理方法，當(dāng)然也有其他處理方法。

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把數(shù)據(jù)轉(zhuǎn)化成leveldb格式：

訓(xùn)練網(wǎng)絡(luò):

 1 2 3 4 5 6 

   # sudo vi/etc/modprobe.d/blacklist.conf  # 增加一行 ：blacklist nouveau  sudoapt-get --purge remove xserver-xorg-video-nouveau???#把官方驅(qū)動(dòng)徹底卸載：  sudoapt-get --purge remove nvidia-*????#清除之前安裝的任何NVIDIA驅(qū)動(dòng)  sudoservice lightdm stop????#進(jìn)命令行，關(guān)閉Xserver  sudokill  ?all Xorg  

回到頂部

安裝了CUDA之后，依次按照Caffe官網(wǎng)安裝指南安裝BLAS、OpenCV、Boost即可。

回到頂部

Caffe跑跑MNIST試試

在Caffe安裝目錄之下，首先獲得MNIST數(shù)據(jù)集：

1 2	cddata/mnist sh get_mnist.sh

生成mnist-train-leveldb/ 和?mnist-test-leveldb/，把數(shù)據(jù)轉(zhuǎn)化成leveldb格式：

1 2	cdexamples/lenet sh create_mnist.sh

訓(xùn)練網(wǎng)絡(luò):

1	sh train_lenet.sh

回到頂部

讓Caffe生成的數(shù)據(jù)集能在Theano上直接運(yùn)行

不論使用何種框架進(jìn)行CNNs訓(xùn)練，共有3種數(shù)據(jù)集：

Training Set：用于訓(xùn)練網(wǎng)絡(luò)
Validation Set：用于訓(xùn)練時(shí)測(cè)試網(wǎng)絡(luò)準(zhǔn)確率
Test Set：用于測(cè)試網(wǎng)絡(luò)訓(xùn)練完成后的最終正確率

Caffe生成的數(shù)據(jù)分為2種格式：Lmdb和Leveldb

它們都是鍵/值對(duì)（Key/Value Pair）嵌入式數(shù)據(jù)庫(kù)管理系統(tǒng)編程庫(kù)。
雖然lmdb的內(nèi)存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允許多種訓(xùn)練模型同時(shí)讀取同一組數(shù)據(jù)集。
因此lmdb取代了leveldb成為Caffe默認(rèn)的數(shù)據(jù)集生成格式。

Google Protocol Buffer的安裝

Protocol Buffer是一種類(lèi)似于XML的用于序列化數(shù)據(jù)的自動(dòng)機(jī)制。?
首先在Protocol Buffers的中下載最新版本：?
https://developers.google.com/protocol-buffers/docs/downloads?
解壓后運(yùn)行：

 1 2 3 4 5 

   ./configure  $?make  $?makecheck  $?makeinstall  pip installprotobuf  

添加動(dòng)態(tài)鏈接庫(kù)

1	exportLD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

Lmdb的安裝

1	pip?installlmdb

要parse（解析）一個(gè)protobuf類(lèi)型數(shù)據(jù)，首先要告訴計(jì)算機(jī)你這個(gè)protobuf數(shù)據(jù)內(nèi)部是什么格式（有哪些項(xiàng)，這些項(xiàng)各是什么數(shù)據(jù)類(lèi)型的決定了占用多少字節(jié)，這些項(xiàng)可否重復(fù)，重復(fù)幾次），安裝protobuf這個(gè)module就可以用protobuf專(zhuān)用的語(yǔ)法來(lái)定義這些格式（這個(gè)是.proto文件）了，然后用protoc來(lái)編譯這個(gè).proto文件就可以生成你需要的目標(biāo)文件。?
想要定義自己的.proto文件請(qǐng)閱讀：?
https://developers.google.com/protocol-buffers/docs/proto?hl=zh-cn

編譯.proto文件

1	protoc--proto_path=IMPORT_PATH --cpp_out=DST_DIR --java_out=DST_DIR--python_out=DST_DIR path/to/file.proto

 1 2 3 4 5 6 

   --proto_path 也可以簡(jiǎn)寫(xiě)成-I 是.proto所在的路徑  輸出路徑：  --cpp_out 要生成C++可用的頭文件，分別是***.pb.h（包含申明類(lèi)）***.pb.cc（包含可執(zhí)行類(lèi)），使用的時(shí)候只要include “***.pb.h”  --java_out 生成java可用的頭文件  --python_out 生成python可用的頭文件，**_pb2.py，使用的時(shí)候import**_pb2.py即可  最后一個(gè)參數(shù)就是你的.proto文件完整路徑。  

回到頂部

Caffe (CNN, deep learning) 介紹

Caffe -----------Convolution Architecture For Feature Embedding (Extraction)

Caffe 是什么東東？

CNN (Deep Learning) 工具箱
C++ 語(yǔ)言架構(gòu)
CPU 和GPU 無(wú)縫交換
Python 和matlab的封裝
但是，Decaf只是CPU 版本。

為什么要用Caffe？

運(yùn)算速度快。簡(jiǎn)單友好的架構(gòu) 用到的一些庫(kù)：
Google Logging library (Glog): 一個(gè)C++語(yǔ)言的應(yīng)用級(jí)日志記錄框架，提供了C++風(fēng)格的流操作和各種助手宏.
lebeldb(數(shù)據(jù)存儲(chǔ))：是一個(gè)google實(shí)現(xiàn)的非常高效的kv數(shù)據(jù)庫(kù)，單進(jìn)程操作。
CBLAS library（CPU版本的矩陣操作）
CUBLAS library (GPU 版本的矩陣操作)

Caffe 架構(gòu)

預(yù)處理圖像的leveldb構(gòu)建?
輸入：一批圖像和label （2和3）?
輸出：leveldb （4）?
指令里包含如下信息：

conver_imageset （構(gòu)建leveldb的可運(yùn)行程序）
train/ （此目錄放處理的jpg或者其他格式的圖像)
label.txt (圖像文件名及其label信息)
輸出的leveldb文件夾的名字
CPU/GPU (指定是在cpu上還是在gpu上運(yùn)行code)

CNN網(wǎng)絡(luò)配置文件

Imagenet_solver.prototxt （包含全局參數(shù)的配置的文件）
Imagenet.prototxt （包含訓(xùn)練網(wǎng)絡(luò)的配置的文件）
Imagenet_val.prototxt （包含測(cè)試網(wǎng)絡(luò)的配置文件）

回到頂部

Caffe深度學(xué)習(xí)之圖像分類(lèi)模型AlexNet解讀

在imagenet上的圖像分類(lèi)challenge上Alex提出的alexnet網(wǎng)絡(luò)結(jié)構(gòu)模型贏得了2012屆的冠軍。要研究CNN類(lèi)型DL網(wǎng)絡(luò)模型在圖像分類(lèi)上的應(yīng)用，就逃不開(kāi)研究alexnet，這是CNN在圖像分類(lèi)上的經(jīng)典模型（DL火起來(lái)之后）。

在DL開(kāi)源實(shí)現(xiàn)caffe的model樣例中，它也給出了alexnet的復(fù)現(xiàn)，具體網(wǎng)絡(luò)配置文件如下?train_val.prototxt

接下來(lái)本文將一步步對(duì)該網(wǎng)絡(luò)配置結(jié)構(gòu)中各個(gè)層進(jìn)行詳細(xì)的解讀（訓(xùn)練階段）：

各種layer的operation更多解釋可以參考?Caffe Layer Catalogue

從計(jì)算該模型的數(shù)據(jù)流過(guò)程中，該模型參數(shù)大概5kw+。

conv1階段DFD（data flow diagram）：?

conv2階段DFD（data flow diagram）：?

conv3階段DFD（data flow diagram）：

conv4階段DFD（data flow diagram）：?
? ??

conv5階段DFD（data flow diagram）：?

fc6階段DFD（data flow diagram）：?

fc7階段DFD（data flow diagram）：?
? ? ? ? ? ? ?

fc8階段DFD（data flow diagram）：?
? ? ? ? ? ? ?

caffe的輸出中也有包含這塊的內(nèi)容日志，詳情如下： ?
?

 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 

   I0721 10:38:15.326920? 4692 net.cpp:125] Top shape: 256 3 227 227 (39574272)  I0721 10:38:15.326971? 4692 net.cpp:125] Top shape: 256 1 1 1 (256)  I0721 10:38:15.326982? 4692 net.cpp:156] data does not need backward computation.  I0721 10:38:15.327003? 4692 net.cpp:74] Creating Layer conv1  I0721 10:38:15.327011? 4692 net.cpp:84] conv1 <- data  I0721 10:38:15.327033? 4692 net.cpp:110] conv1 -> conv1  I0721 10:38:16.721956? 4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)  I0721 10:38:16.722030? 4692 net.cpp:151] conv1 needs backward computation.  I0721 10:38:16.722059? 4692 net.cpp:74] Creating Layer relu1  I0721 10:38:16.722070? 4692 net.cpp:84] relu1 <- conv1  I0721 10:38:16.722082? 4692 net.cpp:98] relu1 -> conv1 (in-place)  I0721 10:38:16.722096? 4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)  I0721 10:38:16.722105? 4692 net.cpp:151] relu1 needs backward computation.  I0721 10:38:16.722116? 4692 net.cpp:74] Creating Layer pool1  I0721 10:38:16.722125? 4692 net.cpp:84] pool1 <- conv1  I0721 10:38:16.722133? 4692 net.cpp:110] pool1 -> pool1  I0721 10:38:16.722167? 4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)  I0721 10:38:16.722187? 4692 net.cpp:151] pool1 needs backward computation.  I0721 10:38:16.722205? 4692 net.cpp:74] Creating Layer norm1  I0721 10:38:16.722221? 4692 net.cpp:84] norm1 <- pool1  I0721 10:38:16.722234? 4692 net.cpp:110] norm1 -> norm1  I0721 10:38:16.722251? 4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)  I0721 10:38:16.722260? 4692 net.cpp:151] norm1 needs backward computation.  I0721 10:38:16.722272? 4692 net.cpp:74] Creating Layer conv2  I0721 10:38:16.722280? 4692 net.cpp:84] conv2 <- norm1  I0721 10:38:16.722290? 4692 net.cpp:110] conv2 -> conv2  I0721 10:38:16.725225? 4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)  I0721 10:38:16.725242? 4692 net.cpp:151] conv2 needs backward computation.  I0721 10:38:16.725253? 4692 net.cpp:74] Creating Layer relu2  I0721 10:38:16.725261? 4692 net.cpp:84] relu2 <- conv2  I0721 10:38:16.725270? 4692 net.cpp:98] relu2 -> conv2 (in-place)  I0721 10:38:16.725280? 4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)  I0721 10:38:16.725288? 4692 net.cpp:151] relu2 needs backward computation.  I0721 10:38:16.725298? 4692 net.cpp:74] Creating Layer pool2  I0721 10:38:16.725307? 4692 net.cpp:84] pool2 <- conv2  I0721 10:38:16.725317? 4692 net.cpp:110] pool2 -> pool2  I0721 10:38:16.725329? 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)  I0721 10:38:16.725338? 4692 net.cpp:151] pool2 needs backward computation.  I0721 10:38:16.725358? 4692 net.cpp:74] Creating Layer norm2  I0721 10:38:16.725368? 4692 net.cpp:84] norm2 <- pool2  I0721 10:38:16.725378? 4692 net.cpp:110] norm2 -> norm2  I0721 10:38:16.725389? 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)  I0721 10:38:16.725399? 4692 net.cpp:151] norm2 needs backward computation.  I0721 10:38:16.725409? 4692 net.cpp:74] Creating Layer conv3  I0721 10:38:16.725419? 4692 net.cpp:84] conv3 <- norm2  I0721 10:38:16.725427? 4692 net.cpp:110] conv3 -> conv3  I0721 10:38:16.735193? 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)  I0721 10:38:16.735213? 4692 net.cpp:151] conv3 needs backward computation.  I0721 10:38:16.735224? 4692 net.cpp:74] Creating Layer relu3  I0721 10:38:16.735234? 4692 net.cpp:84] relu3 <- conv3  I0721 10:38:16.735242? 4692 net.cpp:98] relu3 -> conv3 (in-place)  I0721 10:38:16.735250? 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)  I0721 10:38:16.735258? 4692 net.cpp:151] relu3 needs backward computation.  I0721 10:38:16.735302? 4692 net.cpp:74] Creating Layer conv4  I0721 10:38:16.735312? 4692 net.cpp:84] conv4 <- conv3  I0721 10:38:16.735321? 4692 net.cpp:110] conv4 -> conv4  I0721 10:38:16.743952? 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)  I0721 10:38:16.743988? 4692 net.cpp:151] conv4 needs backward computation.  I0721 10:38:16.744000? 4692 net.cpp:74] Creating Layer relu4  I0721 10:38:16.744010? 4692 net.cpp:84] relu4 <- conv4  I0721 10:38:16.744020? 4692 net.cpp:98] relu4 -> conv4 (in-place)  I0721 10:38:16.744030? 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)  I0721 10:38:16.744038? 4692 net.cpp:151] relu4 needs backward computation.  I0721 10:38:16.744050? 4692 net.cpp:74] Creating Layer conv5  I0721 10:38:16.744057? 4692 net.cpp:84] conv5 <- conv4  I0721 10:38:16.744067? 4692 net.cpp:110] conv5 -> conv5  I0721 10:38:16.748935? 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)  I0721 10:38:16.748955? 4692 net.cpp:151] conv5 needs backward computation.  I0721 10:38:16.748965? 4692 net.cpp:74] Creating Layer relu5  I0721 10:38:16.748975? 4692 net.cpp:84] relu5 <- conv5  I0721 10:38:16.748983? 4692 net.cpp:98] relu5 -> conv5 (in-place)  I0721 10:38:16.748998? 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)  I0721 10:38:16.749011? 4692 net.cpp:151] relu5 needs backward computation.  I0721 10:38:16.749022? 4692 net.cpp:74] Creating Layer pool5  I0721 10:38:16.749030? 4692 net.cpp:84] pool5 <- conv5  I0721 10:38:16.749039? 4692 net.cpp:110] pool5 -> pool5  I0721 10:38:16.749050? 4692 net.cpp:125] Top shape: 256 256 6 6 (2359296)  I0721 10:38:16.749058? 4692 net.cpp:151] pool5 needs backward computation.  I0721 10:38:16.749074? 4692 net.cpp:74] Creating Layer fc6  I0721 10:38:16.749083? 4692 net.cpp:84] fc6 <- pool5  I0721 10:38:16.749091? 4692 net.cpp:110] fc6 -> fc6  I0721 10:38:17.160079? 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)  I0721 10:38:17.160148? 4692 net.cpp:151] fc6 needs backward computation.  I0721 10:38:17.160166? 4692 net.cpp:74] Creating Layer relu6  I0721 10:38:17.160177? 4692 net.cpp:84] relu6 <- fc6  I0721 10:38:17.160190? 4692 net.cpp:98] relu6 -> fc6 (in-place)  I0721 10:38:17.160202? 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)  I0721 10:38:17.160212? 4692 net.cpp:151] relu6 needs backward computation.  I0721 10:38:17.160222? 4692 net.cpp:74] Creating Layer drop6  I0721 10:38:17.160230? 4692 net.cpp:84] drop6 <- fc6  I0721 10:38:17.160238? 4692 net.cpp:98] drop6 -> fc6 (in-place)  I0721 10:38:17.160258? 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)  I0721 10:38:17.160265? 4692 net.cpp:151] drop6 needs backward computation.  I0721 10:38:17.160277? 4692 net.cpp:74] Creating Layer fc7  I0721 10:38:17.160286? 4692 net.cpp:84] fc7 <- fc6  I0721 10:38:17.160295? 4692 net.cpp:110] fc7 -> fc7  I0721 10:38:17.342094? 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)  I0721 10:38:17.342157? 4692 net.cpp:151] fc7 needs backward computation.  I0721 10:38:17.342175? 4692 net.cpp:74] Creating Layer relu7  I0721 10:38:17.342185? 4692 net.cpp:84] relu7 <- fc7  I0721 10:38:17.342198? 4692 net.cpp:98] relu7 -> fc7 (in-place)  I0721 10:38:17.342208? 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)  I0721 10:38:17.342217? 4692 net.cpp:151] relu7 needs backward computation.  I0721 10:38:17.342228? 4692 net.cpp:74] Creating Layer drop7  I0721 10:38:17.342236? 4692 net.cpp:84] drop7 <- fc7  I0721 10:38:17.342245? 4692 net.cpp:98] drop7 -> fc7 (in-place)  I0721 10:38:17.342254? 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)  I0721 10:38:17.342262? 4692 net.cpp:151] drop7 needs backward computation.  I0721 10:38:17.342274? 4692 net.cpp:74] Creating Layer fc8  I0721 10:38:17.342283? 4692 net.cpp:84] fc8 <- fc7  I0721 10:38:17.342291? 4692 net.cpp:110] fc8 -> fc8  I0721 10:38:17.343199? 4692 net.cpp:125] Top shape: 256 22 1 1 (5632)  I0721 10:38:17.343214? 4692 net.cpp:151] fc8 needs backward computation.  I0721 10:38:17.343231? 4692 net.cpp:74] Creating Layer loss  I0721 10:38:17.343240? 4692 net.cpp:84] loss <- fc8  I0721 10:38:17.343250? 4692 net.cpp:84] loss <- label  I0721 10:38:17.343264? 4692 net.cpp:151] loss needs backward computation.  I0721 10:38:17.343305? 4692 net.cpp:173] Collecting Learning Rate and Weight Decay.  I0721 10:38:17.343327? 4692 net.cpp:166] Network initialization?done.  I0721 10:38:17.343335? 4692 net.cpp:167] Memory required?forData 1073760256  

CIFAR-10在caffe上進(jìn)行訓(xùn)練與學(xué)習(xí)

使用數(shù)據(jù)庫(kù)：CIFAR-10

60000張 32X32 彩色圖像 10類(lèi)，50000張訓(xùn)練，10000張測(cè)試

準(zhǔn)備

在終端運(yùn)行以下指令：

 1 2 3 4 

   cd$CAFFE_ROOT/data/cifar10  ./get_cifar10.sh  cd$CAFFE_ROOT/examples/cifar10  ./create_cifar10.sh  

其中CAFFE_ROOT是caffe-master在你機(jī)子的地址

運(yùn)行之后，將會(huì)在examples中出現(xiàn)數(shù)據(jù)庫(kù)文件./cifar10-leveldb和數(shù)據(jù)庫(kù)圖像均值二進(jìn)制文件./mean.binaryproto

模型

該CNN由卷積層，POOLing層，非線性變換層，在頂端的局部對(duì)比歸一化線性分類(lèi)器組成。該模型的定義在CAFFE_ROOT/examples/cifar10 directory’s cifar10_quick_train.prototxt中，可以進(jìn)行修改。其實(shí)后綴為prototxt很多都是用來(lái)修改配置的。

訓(xùn)練和測(cè)試

訓(xùn)練這個(gè)模型非常簡(jiǎn)單，當(dāng)我們寫(xiě)好參數(shù)設(shè)置的文件cifar10_quick_solver.prototxt和定義的文件cifar10_quick_train.prototxt和cifar10_quick_test.prototxt后，運(yùn)行 train_quick.sh或者在終端輸入下面的命令：

1 2	cd$CAFFE_ROOT/examples/cifar10 ./train_quick.sh

即可，train_quick.sh是一個(gè)簡(jiǎn)單的腳本，會(huì)把執(zhí)行的信息顯示出來(lái)，培訓(xùn)的工具是train_net.bin,cifar10_quick_solver.prototxt作為參數(shù)。

然后出現(xiàn)類(lèi)似以下的信息：這是搭建模型的相關(guān)信息

 1 2 3 4 5 

   I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1  I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data  I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1  I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)  I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.  

接著：

 1 2 3 4 

   0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization?done.  I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required?forData 23790808  I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding?done.  I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train  

之后，訓(xùn)練開(kāi)始

 1 2 3 4 5 6 

   I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001  I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643  ...  I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net  I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score?#0: 0.5504  I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score?#1: 1.27805  

其中每100次迭代次數(shù)顯示一次訓(xùn)練時(shí)lr(learningrate),和loss（訓(xùn)練損失函數(shù)），每500次測(cè)試一次，輸出score 0（準(zhǔn)確率）和score 1（測(cè)試損失函數(shù)）

當(dāng)5000次迭代之后，正確率約為75%，模型的參數(shù)存儲(chǔ)在二進(jìn)制protobuf格式在cifar10_quick_iter_5000

然后，這個(gè)模型就可以用來(lái)運(yùn)行在新數(shù)據(jù)上了。

其他

另外，更改cifar*solver.prototxt文件可以使用CPU訓(xùn)練，

1 2	# solver mode: CPU or GPU solver_mode: CPU

可以看看CPU和GPU訓(xùn)練的差別。

總結(jié)

以上是生活随笔為你收集整理的深度学习caffe教程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇：音视频同步系列文章之------时间戳与
下一篇：重磅干货整理】机器学习(Machine